EditAgent od Adobe: agent AI do edycji zdjęć, który wybiera narzędzia jak retuszer

Ogólne modele do edycji obrazu często psują to, o co je prosimy: prześwietlą zdjęcie zamiast je delikatnie rozjaśnić albo rozmyją detale przy powiększaniu. Badacze z Adobe Research i UC San Diego proponują w pracy opublikowanej na arXiv system EditAgent, który działa bardziej jak doświadczony użytkownik Photoshopa. Dobiera narzędzie do zadania i sprawdza wynik na liczbach, a nie tylko „na oko”. Opisał to też The Decoder.

Kilku kandydatów zamiast jednej próby

EditAgent rozbija polecenie na kroki. Dla każdego z nich zestawia ogólny edytor z dopasowanymi, wyspecjalizowanymi narzędziami, np. do wyostrzania, rotacji czy powiększania. Wszystkie warianty powstają równolegle z oryginalnego obrazu, a potem ocenia je standardowy model językowy, który widzi je naraz.

Autorzy sprawdzili, że to lepsze podejście niż poprawianie obrazu runda po rundzie. W takim iteracyjnym schemacie drobne błędy się kumulują, bo każda kolejna próba pracuje na obrazie już zmienionym. W porównaniach, w których profesjonaliści wskazywali zwycięzcę, preferowali warianty równoległe w 78,5% przypadków. Agent potrzebował przy tym o połowę mniej prób oceny.

Punktem wyjścia był test na 600 edycjach, ocenianych w ciemno przez pięciu profesjonalistów. Ogólny edytor Flux-2-Klein-9B nie dał użytecznego wyniku w 42,7% przypadków. Wyspecjalizowane narzędzia rozwiązały około dwóch trzecich tych porażek, najwięcej przy wyostrzaniu, rotacji i powiększaniu. Kolejne próby tym samym edytorem prawie nic nie zmieniały.

Sędzia dostaje pomiary, nie tylko obraz

Najciekawszy element dotyczy modelu oceniającego. Dla każdego wariantu dostaje on „rekord weryfikacji”: zbliżenie na edytowany obszar, mapę zmian oraz zmierzone statystyki jasności i koloru. W przykładzie z pracy zdjęcie miało zostać delikatnie rozjaśnione. Liczby pokazały, że ogólny edytor je prześwietlił i przesunął kolory w stronę cieplejszych, a wyspecjalizowane narzędzie zmieściło się w zadanej specyfikacji. Sam model patrzący na cały obraz tych błędów nie wychwytuje.

Różnicę widać w wynikach. Badacze porównywali siedem zwykłych modeli językowych z modelami douczonymi na ludzkich ocenach edycji, takimi jak EditScore. Bez rekordu weryfikacji żaden z siedmiu nie dorównał najlepszemu modelowi douczonemu. Z rekordem wszystkie siedem pokonało każdy model douczony. Qwen3.8-27B wybierał użyteczny obraz w 81,3% przypadków, a EditScore-72B w 74,8%. Autorzy wnioskują, że ważniejsze może być to, co widzi sędzia, niż to, jak go trenowano.

Po każdej rundzie agent sprawdza też, czy późniejsza edycja nie cofnęła wcześniejszej. W przykładzie z pracy polecenie „wpuść więcej światła dziennego” sprawiło, że wcześniej oszronione okno znów stało się przejrzyste. Agent wychwycił ten konflikt i go naprawił.

Wyniki i cena

EditAgent poprawił wyniki otwartych edytorów Qwen-Image-Edit-2511 i Flux-2-Klein-9B w trzech benchmarkach i przewyższył siedem innych agentów. Na benchmarku EdiVal wariant oparty na Qwen w trzeciej rundzie edycji wyprzedził komercyjne modele Seedream 4.0 i GPT-Image-1.5.

Koszt jest wyraźny: agent potrzebuje około dziesięć razy więcej mocy obliczeniowej niż pojedynczy edytor, a jakość zależy od tego, jakie narzędzia do niego podłączono. Autorzy proponują rozwiązanie. Ponieważ agent zachowuje tylko zweryfikowane wyniki, posłużył do wytworzenia około 26 tysięcy przykładów treningowych. Edytory douczone na tych danych poprawiły się we wszystkich trzech benchmarkach. Dane wygenerowane bezpośrednio przez FLUX pogorszyły natomiast wyniki samego FLUX-a. Droga agent → dane → szybszy model ma więc sprawić, że wysoki koszt się z czasem zwróci.

Kontekst produktowy jest oczywisty. Adobe w czerwcu wprowadziło agentów AI do Photoshopa, Premiere i innych aplikacji Creative Cloud w publicznej wersji beta. Użytkownik opisuje efekt, a agent wykonuje kolejne kroki, jak w komunikacie Adobe o „creative agent”. Wybór właściwego narzędzia i sprawdzanie własnej pracy to dokładnie te problemy, które EditAgent próbuje rozwiązać. Z publikacji nie wynika jednak, czy i w jakiej formie to podejście trafi do produktów firmy.

Warto dodać, że testowany w pracy ogólny model został już wyparty. Black Forest Labs wydało Flux 3 Image Klein z 5,6 mld parametrów. Jest mniejszy niż Flux 2 Klein, ale w wewnętrznych testach firmy wypada lepiej niż wszystkie inne otwarte modele, a nawet komercyjny Flux 2 Pro.